【数据蒋堂】第45期：大数据计算语法的SQL化

回归SQL是当前大数据计算语法的一个发展倾向。在Hadoop体系中，现在已经很少有人会自己从头来写MapReduce代码了，PIG Latin也处于被淘汰的边缘，而HIve却始终坚挺；即使是Spark上，也在更多地使用Spark SQL，而Scala反而少很多。其它一些新的大数据计算体系一般也将SQL作为首选的计算语法，经过几年时间的混战之后，现在SQL又逐步拿回了主动权。

这个现象，大概有这么两个原因：

1. 实在没什么别的好用

关系数据库过于普及，程序员对SQL相当熟悉，甚至思维习惯都是SQL式的。SQL用来做一些常规查询也比较简单，虽然用于处理复杂的过程计算或有序运算并不方便，但其它那些替代技术也好不到哪里去，碰到SQL难写的运算一样要写和UDF相当的复杂代码，反正都是麻烦，还不如继续用SQL。

2. 大数据厂商的鼎力支持

大数据的技术本质是高性能，而SQL是性能比拼的关键阵地。比性能要面对同样的运算才有意义，过于专门和复杂的运算涉及的影响因素太多，不容易评估出大数据平台本身的能力。而SQL有国际标准的TPC系列，所有用户都看得懂，这样就有明确的可比性，厂商也会把性能优化的重点放在SQL上。

 

那么，回归SQL好吗？特别地，我们说，大数据的技术本质是高性能，回归并优化SQL对提高计算性能有多大帮助？

那要看是什么运算！

对于比较简单的查询，特别是多维分析式的查询，用SQL确实是不错的。这种运算被传统数据库厂商研究了几十年，实践出很多行之有效的优化手段。而Hadoop这种新型大数据平台，正好可以实习和实施这些经验，在性能上就更容易超越其它语法体系。

但是，对于更常见的过程性计算，SQL并不好用，不仅是开发困难，代码要写很长，而且对于提高性能也很难有什么帮助。

什么是过程性计算呢？就是一步写不出来，需要多次分步运算，特别是与数据次序相关的运算。

我们举几个例子来看：

• 股票连续3天上涨后再涨1天的概率和平均涨幅，按所属板块和时间段分类对比
• 与去年同期的收入销售额对比分析，要考虑到节假日的影响
• 一周内累计登录时长超过一小时的用户占比，但要除去登录时长小于1分钟的误操作情况
• 信用卡在最近三个月内最长连续消费的天数分布情况，考虑实施连续消费10天后积分三倍的促销活动
• ......

（为了便于理解，这些例子已经做了简化，实际情况的运算还要复杂很多）

 

对于过程性运算，用SQL写出来的难度就很大，经常还必须要写UDF才能完成。如果SQL写都写不出来，那么指望优化SQL来提高性能也就无从谈起了。有时候能用SQL勉强写出来，代码也会相当复杂，而复杂SQL的优化效果是很差的，在嵌套几层之后，数据库引擎也会晕掉，不知道如何优化。

举一个以前举过的简单例子，在1亿条记录中取最大的前10名，SQL本身没有集合数据类型，理论上会用比较笨的办法，先排序再找前10名。但好一点的数据库引擎都能优化这件事，碰到这样的SQL语句不会真地去做大排序。但是，如果这个运算写到了分组或者子查询里面（写法会不一样了），数据库引擎就未必能识别出来再做优化了。

 

提高这些复杂运算的性能，指望计算平台的自动优化是靠不住的，根本手段还要靠编写出高性能的算法。象过程运算中还常常需要保存中间结果以复用，SQL需要用临时表，多了IO操作就会影响性能，这都不是引擎优化能解决的事情，必须要去改写计算过程。

事实上，提高性能的本质实际上还是降低开发难度。软件无法提高硬件的性能，只能想办法设计复杂度更低的算法，而如果能够快速低成本地实现这些算法，那就可以达到提高性能的目标。如果语法体系难以甚至没办法描述高性能算法，必须迫使程序员采用复杂度较高的算法，那也就很难再提高性能了。显然，优化SQL运算几乎无助于降低它的开发难度，SQL语法体系就是那样，无论怎样优化它的性能，开发难度并不会改变，很多高性能算法仍然实现不了，也就难以实质性地提高运算性能。

编写UDF在许多场景时确实能提高性能，但一方面开发难度很大，另一方面这是程序员硬写的，也不能利用到SQL引擎的优化能力。而且经常并不能将完整运算都写成UDF，只能使用计算平台提供的接口，仍然要在SQL框架使用它的数据类型，这样还是会限制高性能算法的实现。